《表1 使用不同网络和特征的时间和精度比较Tab.1 Comparison of time and accuracy using different networks and features》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《高分辨率遥感影像场景的多尺度神经网络分类法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

同时，表1还对比了数据适当增广36倍和240倍后的分类效率和准确率。试验中所用的数据增广方法为在原影像上随机提取出9张影像，再令这9张影像顺时针旋转0°、90°、180°、270°，从而获得了36倍增广数据集。240倍增广数据是通过先保留图像的60%、62%、64%、66%、68%、70%得到6个子影像，再在这6个子影像上随机提取出10张影像，然后按上述方法旋转4个角度，从而获得6×10×4=240倍的增广数据集。从试验结果可见，数据集大小为2100×36时，JMCNN相比CNN（5conv+2fc）要高出9.78%，比CNN（6conv+2fc）网络要高出3.54%。而在相同网络结构之间，通过增强训练数据，JMCNN精度最大提升了9%，CNN分类精度最大提升了25.06%。数据表明，相对于传统的CNN网络，JMCNN对大数据训练的依赖性更小，在小样本训练的情况下可以获得较强的高层特征。此外，Kappa系数的结果表明，JMCNN具有更好的分类一致性，其泛化能力更强。